M/EEG信号对称正定矩阵上的切片-瓦瑟斯坦

https://arxiv.org/pdf/2303.05798

1.标题：Sliced-Wasserstein on Symmetric Positive Definite Matrix for M/EEG Signals（M/EEG信号上的对称正定矩阵切片-瓦瑟斯坦距离）

2.作者：克莱门特·博内特，贝努瓦·马雷齐厄，阿兰·拉科托马蒙吉，卢卡斯·德鲁梅茨，托马斯·莫罗，马蒂厄·科瓦尔斯基，尼古拉斯·库蒂 （作者：克莱门特·博内特，贝努瓦·马莱齐厄，阿兰·拉科托马蒙吉，卢卡斯·德拉梅茨，托马斯·莫罗，马蒂厄·科瓦尔斯基，尼古拉斯·考蒂）

3.所属单位：Université Bretagne Sud， LMBA （第一作者单位：中国的南布列塔尼大学）

4.关键字：协方差矩阵、M/EEG信号、切片-瓦瑟斯坦距离、黎曼几何 （关键词：协方差矩阵、M/EEG信号、切片瓦瑟斯坦距离、黎曼几何）

5.网址：https://arxiv.org/pdf/2303.05798 （网址：https://arxiv.org/pdf/2303.05798）

 

6.总结：

（1）： 本文的研究背景是使用协方差矩阵来总结M/EEG信号，并且需要使用黎曼几何来处理这些矩阵的结构。

（2）： 过去的方法主要是基于黎曼几何的算法，用于处理M/EEG数据中的协方差矩阵。然而，这些方法存在计算复杂性较高的问题。本文提出了一种基于切片瓦瑟斯坦距离的新方法，旨在解决这些问题，并具有良好的动机。

(3): 本文提出的研究方法是在对称正定矩阵之间定义切片-瓦瑟斯坦距离，并利用其性质和核方法将其应用于M/EEG数据的脑龄预测，与基于黎曼几何的最先进算法进行比较。

(4): 本文的方法成功实现了对M/EEG数据中协方差矩阵的分布进行处理，并在脑计算机接口应用中展示了其高效性。该方法能够作为Wasserstein距离在域适应中的有效替代品，性能支持了作者的目标。

8.结论：

（1）：本文的意义在于提出了一种基于切片-瓦瑟斯坦距离的新方法，用于处理M/EEG信号中的协方差矩阵。这一方法具有较低的计算复杂性，并成功应用于脑计算机接口的脑龄预测。

(2): 创新点：本文提出了使用切片-瓦瑟斯坦距离处理M/EEG数据中协方差矩阵的方法，与传统的基于黎曼几何的方法相比，具有更低的计算复杂性。 

性能表现：本文的方法在脑计算机接口应用中展示了良好的性能，在处理M/EEG数据中的协方差矩阵的分布时取得了较好的效果。

工作量：本文的研究工作涉及对切片-瓦瑟斯坦距离的定义和应用，并与黎曼几何的方法进行比较，需要进行理论和实验分析，工作量相对较大。

BioGAP：具有10核FP功能的超低功耗物联网处理器，具有医疗级AFE和BLE连接，用于可穿戴生物信号处理

https://arxiv.org/pdf/2307.01619

标题： BioGAP：具有10核FP功能的超低功耗物联网处理器，具有医疗级AFE和BLE连接，用于可穿戴生物信号处理（BioGAP：一种具备医疗级 AFE 和 BLE 连接性的 10 核 FP 可行的超低功耗 IoT 处理器，用于可穿戴生物信号处理）

作者：Sebastian Frey， Marco Guermandi， Simone Benatti， Victor Kartsch， Andrea Cossettini， Luca Benini

所属单位：苏黎世联邦理工学院集成系统实验室，苏黎世，瑞士（ETH 阿尔希理工学院，苏黎世，瑞士）

关键字：可穿戴脑电图， 可穿戴医疗， 超低功耗设计， 嵌入式系统（可穿戴 EEG，可穿戴医疗保健，超低功耗设计，嵌入式系统）

网址：https://arxiv.org/pdf/2307.01619

 

总结：

(1) : 本文的研究背景是开发面向生物信号处理的可穿戴设备，以实现迷你化和高能效的物联网解决方案。

(2) : 过去的方法需要将原始生物信号数据传输到台式电脑进行处理，且很少具备足够的计算能力进行信号处理。本文旨在解决这些问题并实现多种异质生物传感器信息的融合。

（3）： 本文提出了一种名为 BioGAP 的并行超低功耗处理平台，用于医疗级别的生物信号获取和嵌入式处理。平台采用模块化设计，基于 PULP SoC，具备十个 RISC-V 核心和低功耗蓝牙连接。

（4）： 本文的方法在 Steady State Visual Evoked Potential（SSVEP） 基于脑机接口 （BCI） 应用上进行了验证。本文实现了流式处理模式下每个样本 3.6µJ，内置处理模式下每个样本 2.2µJ 的功耗，并在仅 18.2mW 的功耗预算下实现了 97% 的无线带宽减少，满足了15小时的运行时间要求。

结论：

(1): 本研究的意义在于开发一种面向生物信号处理的可穿戴设备，通过实现迷你化和高能效的物联网解决方案，提供医疗保健领域的可穿戴解决方案。

（2）： 创新点：本文提出了一种名为BioGAP的并行超低功耗处理平台，具备医疗级 AFE 和 BLE 连接，以满足医疗保健领域对生物信号获取和嵌入式处理的需求。

性能表现：BioGAP 在流式处理模式下每个样本的功耗为3.6μJ，在内置处理模式下为2.2μJ，满足了仅18.2mW的功耗预算下的97%无线带宽减少，并可以持续工作15小时。

工作量：本文通过实验验证了BioGAP的EEG和PPG功能，并展示了GAP9 SoC的性能，可以在边缘端进行高效能计算。并且，这个平台的模块化设计允许添加新的组件，以满足不同应用需求。

可控思维视觉扩散模型

https://arxiv.org/pdf/2305.10135

标题：可控意识视觉扩散模型（可控意识视觉扩散模型）

作者：曾博涵， 李尚林， 刘旭辉， 高思成， 蒋晓龙， 唐旭， 胡耀， 刘建庄， 张宝昌

所属单位：北航大学 （北京航空航天大学）

关键字：脑信号可视化、功能磁共振成像（fMRI）、语义和轮廓信息、可控思维视觉扩散模型（CMVDM）、图像合成。

网址：https://arxiv.org/pdf/2305.10135

 

总结：

(1): 本文的研究背景是通过脑信号可视化技术，将人类视觉系统与计算机视觉模型连接起来，以深入研究认知过程。

(2): 过去的方法主要是通过分析脑信号实现对感知图像的理解和重建，但是对于从脑信号中提取语义和轮廓信息的准确性存在限制。该方法的动机是改进现有方法的缺点，并提高图像合成的准确度。

（3）： 本文提出了一种名为可控意识视觉扩散模型（CMVDM）的新方法。CMVDM利用属性对齐和辅助网络从fMRI数据中提取语义和轮廓信息，并引入残差块来捕获超出语义和轮廓特征的信息。然后，利用控制模型充分利用提取的信息进行图像合成，生成的图像在语义和轮廓方面与视觉刺激非常相似。

（4）： 通过大量实验证明，CMVDM在定性和定量方面都优于现有的先进方法。它能够实现语义和轮廓信息的提取，并生成与视觉刺激非常相似的图像，绩效支持了研究目标。

方法：

(1): 数据收集。使用功能性磁共振成像（fMRI）技术来测量被试的脑信号。在实验中，被试需要观看一系列视觉刺激，并记录相应的脑信号。

(2): 语义和轮廓信息提取。利用属性对齐和辅助网络，从fMRI数据中提取图像的语义和轮廓信息。属性对齐将脑信号与视觉刺激进行对齐，以获得对应的脑信号。辅助网络通过训练来学习提取图像特征。

(3): 信息捕获和融合。为了捕获超出语义和轮廓特征的信息，引入残差块结构。这个结构允许模型学习图像中更细微的细节和纹理。

(4): 图像合成。利用提取的语义和轮廓信息，通过控制模型进行图像合成。控制模型充分利用提取的信息，生成与视觉刺激非常相似的图像。

(5): 性能评估。对于生成的图像，使用视觉与计算模型进行定性和定量的评估。评估的指标包括图像的语义和轮廓准确度、视觉刺激的相似度等。

(6): 实验设计。为了验证所提出方法的效果，进行实验来比较该方法与其他先进方法之间的性能差异。实验根据特定的实验设计进行，以确保结果的可信度和统计显著性。

(7): 结果分析和讨论。通过对实验结果的分析和比较，讨论所提出方法的优势和限制，并提出改进和未来工作的可能方向。

(8): 结论。总结所提出方法的主要贡献和取得的成果，以及对相关领域的影响和应用前景的讨论。

请注意，以上方法仅为概括，实际文章中可能会有更多详细的步骤和实验设置，请参考原文获取更详细的信息。

结论：

（1）：这部作品的意义是在脑信号可视化领域推出了一种新方法，即可控意识视觉扩散模型（CMVDM）。该方法通过从fMRI数据中提取语义和轮廓信息，并利用控制模型进行图像合成，实现了生成与视觉刺激非常相似的图像。这一创新为研究认知过程和开发相关应用提供了新的思路和技术手段。

(2)：创新点：CMVDM引入了属性对齐和辅助网络来提取脑信号中的语义和轮廓信息，并利用残差块来捕获超出特征的信息，这些创新提高了图像合成的准确度。

性能表现：CMVDM在实验证明，在定性和定量方面都优于现有的先进方法，能够生成与视觉刺激非常相似的图像。它实现了语义和轮廓信息的提取，并展现出优异的生成能力。

工作量：该研究进行了大量的实验设计和数据收集工作，通过训练和优化模型，完成了对fMRI信号的解码和图像合成，展现了较大的工作量和技术难度。

 

参考文献：

【1】Bonet C, Malézieux B, Rakotomamonjy A, et al. Sliced-wasserstein on symmetric positive definite matrices for m/eeg signals[C]//International Conference on Machine Learning. PMLR, 2023: 2777-2805.

【2】Frey S, Guermandi M, Benatti S, et al. BioGAP: a 10-Core FP-capable Ultra-Low Power IoT Processor, with Medical-Grade AFE and BLE Connectivity for Wearable Biosignal Processing[J]. arXiv preprint arXiv:2307.01619, 2023.

【3】Zeng B, Li S, Liu X, et al. Controllable Mind Visual Diffusion Model[J]. arXiv preprint arXiv:2305.10135, 2023.

 

创作声明：包含 AI 辅助创作